最优化问题存在于人类社会各个领域，是目前研究的一个热点。群智能优化算法是一种新兴的优化算法，其中，粒子群算法（Particle Swarm Optimization,PSO）模拟鸟群的觅食行为寻找最优解，优化单峰函数的问题时能快速收敛到最优解，是应用较为广泛的几种智能算法之一。人工蜂群算法（Artificial Bee Colony,ABC）模拟了蜜蜂的采蜜行为，通过探索比当前位置更优的蜜源位置来寻优，优化多峰函数的问题时能取得较好的结果。本文针对PSO、ABC两种算法的特点，提出了三种改进算法，并将其中一种算法应用于无线传感器网络覆盖优化问题。（1）提出了具有加快收敛速度（fast convergence）和自适应逃逸（adaptiveescape）功能的粒子群算法（FAPSO）。该算法借鉴了ABC算法的思想，在算法中增加了局部搜索功能，算法每进化一次粒子搜索两次，一次全局搜索，一次局部搜索。同时借鉴ABC算法中侦查蜂有跳出局部最优的特点，在寻优过程中增加“逃逸”功能。仿真实验表明，FAPSO算法具有较好的全局寻优性能，加快了算法的收敛速度，可有效避免“早熟”现象发生。（2）提出了ABC和PSO自适应交互学习的优化算法（ABC-PSO）。该算法中将群体分为两个子群，一个子群利用改进的ABC算法进化，另一个子群利用PSO算法进化，并自适应选取不同学习策略学习对方有用信息。仿真实验表明，ABC-PSO结合了ABC、PSO两种算法的优点，在保持种群多样性的同时，平衡了算法的局部开发能力和全局探索能力。（3）提出了共享个体的ABC和PSO混合优化算法（PABC），并将其应用于无线传感器网络覆盖中。该算法将种群分为子群A和子群B。子群A依据ABC模式进化，子群B依据PSO模式进化。两子群的信息交换通过个体共享实现。并在适当时候用蜂群找到的最优值替代粒子群最优值，以此指导个体向更好位置运动，用粒子群最好位置替代蜂群中引领蜂最差位置，以此吸引更多跟随蜂向较好的蜜源位置运动。实验结果表明，PABC算法在高维和低维都具有更好的寻优精度和寻优性能。在无线传感器网络覆盖优化问题中，PABC算法能得到更好的覆盖优化效果。